TRACCIA PER L ESERCITAZIONE SUPERVISED CLASSIFICATION

Transcript

1 TRACCIA PER L ESERCITAZIONE SUPERVISED CLASSIFICATION La classificazione di tipo supervised (guidata) è uno dei metodi più utilizzati per trasformare immagini telerilevate multispettrali in una nuova immagine tematica che rappresenta solitamente una mappa di tipo land cover. L esercitazione viene svolta attraverso i seguenti passaggi: Per effettuare l esercizio utilizzeremo le immagini del satellite SPOT 5 sensore HRG (High Resolution Geometric) che rappresentano una scena dell altopiano di Asiago (sono visibili la Valsugana a nord e ad est fino a Bassano e la Valdastico ad ovest). Per questo dato abbiamo a disposizione 4 bande alla risoluzione spaziale pari a 10/20 m e nelle seguenti lunghezze d onda dello spettro elettromagnetico: Band Wavelength (µm) Resolution (m) Swath width (km) Revisit time (days) Band 1 (VIS) grn 0.5 to Band 2 (VIS) red 0.61 to Band 3 (NIR) nir 0.79 to Band 4 (SWIR) swir 1.58 to Il file contenente le bande si chiama Asiago_taglio_XS_GBO_new.tif, ed è rappresentato da 4 matrici di 3540 righe x 3911 colonne, con risoluzione radiometrica pari a 8 bit e georiferito nel sistema di riferimento nazionale Gauss-Boaga fuso Ovest.

2 Caricando il dato SPOT in una nuova finestra Algorithm, vediamo che questo presenta 4 bande denominate da B1 a B4. Le 4 bande a disposizione in realtà non sono nell ordine giusto, pertanto andranno riordinate e denominate secondo il seguente schema: BANDE ESISTENTI NUOVE BANDE B1: Band 1 nir B2: Band 2 red B3: Band 3 grn B4: Band 4 swir

3 Duplicare lo pseudo layer 3 volte e rinominare le bande come sopra scegliendole opportunamente dal band chooser. Spostare i limiti sinistro e basso della finestra immagine per eliminare la parte nera e salvare un Ermapper Raster Dataset nominandolo SPOT_practice.ers di tipo multilayer. Selezionare l opzione delete transforms prima di salvare. Chiudere tutto.

4 Su una nuova finestra Algorithm caricare il dato SPOT_practice.ers e creare una superficie di tipo RGB con i rispettivi layer Red, Green e Blu. Scegliere una composizioni in falsi colori. Dal menù principale scegliere Edit e poi Edit/Create Regions. Selezionare il mode raster region e dare l ok. Un nuovo layer di tipo vettoriale verrà caricato (Region Layer outline) e si aprirà la finestra dei tools per facilitare il disegno delle aree training.

5 Per disegnare un poligono scegliere il pulsante polygon e cominciare a tracciare delle aree sulle zone di nostro interesse secondo le classi di seguito definite (il poligono si chiude con un doppio click). Facendo doppio click sul pulsante polygon possiamo scegliere un colore da attribuire alla classe (che sarà anche il colore nell immagine finale classificata). I colori delle classi si possono comunque scegliere in un secondo momento scegliendo dal menù princiale Edit, il comando Edit Class/Region color and name. Cliccando sul bottone display/edit object attributes possiamo assegnare il nome della classe al poligono appena editato. Per creare più training areas della stessa classe, è sufficiente assegnare lo stesso nome a più poligoni. Tracciare uno o più poligoni per ognuna delle seguenti classi: (utilizzare possibilmente nomi brevi e senza spazi) 1) Conifere 2) Latifoglie 3) Prati e pascoli a bassa produttività (pascoli_bp) 4) Prati e pascoli ad alta produttività (pascoli_ap) 5) Edificato e superfici cementificate (Edificato) 6) Acque superficiali 7) Seminativi 8) Zone in ombra 9) Aree nude (rocce, cave) 10) Brughiere e cespuglietti (Arbusteti) 11) Nuvole Dal menù principale View, scegliere Geoposition per utilizzare gli strumenti di zooming e panning all interno dell immagine. Durante la fase di editing delle aree training non si devono utilizzare i classici strumenti di navigazione dell immagine del menù principale. Per salvare il lavoro, scegliere il pulsante Save file dalla paletta dei Tools e sovrascrivere il file SPOT_practice.ers (una finestra mostrerà tutto l elenco delle training areas disegnate; verificare che non ci siano poligoni senza nome).

6 Una volta terminata la fase di editing, salvare di nuovo e chiudere la paletta Tools. Compariranno le etichette sopra tutte le training areas disegnate. Dal menù principale Process, scegliere Calculate Statistics ed impostare un subsampling interval pari a 1. Mettere la spunta su force recalculate stats nel caso le statistiche siano già state già calcolate. Per visualizzare il risultato delle statistiche scegliere Show Statistics, dal menù principale View, Statistics.

7 Per valutare l accuratezza della scelta delle aree training e la separazione delle rispettive firme spettrali, occorre visualizzare i valori medi delle classi e le ellissi di probabilità del 95% sopra uno scatterogramma. Lo scatterogramma mostra la correlazione tra 2 bande, dove le bande sono rappresentate rispettivamente lungo l asse X e l asse Y. Per accedere allo scatterogramma scegliere Scattergrams dal menù principale View. Nel Setup dello scatterogramma possiamo scegliere le bande di cui vogliamo vedere la correlazione. Per visualizzare le ellissi di probabilità è necessario mettere la spunta su Show Means and 95% ellipses e poi selezionare una o più aree training (tenendo premuto il tasto Shift).

8 Il passaggio successivo consiste nel lanciare la classificazione dell immagine, in cui assegniamo ciascun pixel delle bande originali ad una delle classi individuate. Scegliamo Supervised Classification dal menù principale Process, Classification. L input dataset è SPOT_practice.ers, selezioniamo poi tutte le bande in input da processare ed un nome per l output dataset (ad es. SPOT_max_like_class.ers). Il tipo di classificazione è Maximun Likelihood Standard (classificazione massima verosimiglianza). Al termine dell elaborazione chiudiamo la finestra di status. Da una nuova finestra Algorithm carichiamo il dataset SPOT_max_like_class.ers e cambiamo lo pseudo layer in Class Display Layer. Possiamo ora applicare un filtro dalla famiglia filters_ranking di tipo median_5x5.ker per eliminare eventuali pixel isolati risultanti dalla classificazione.